CNN vs. LSTM : Une étude comparative de la prévision de l'intensité des précipitations horaires comme facteur clé dans les cadres de prévision des inondations

La prévision précise de l'intensité des précipitations est cruciale pour une gestion efficace des inondations et les systèmes d'alerte précoce. Cette étude évalue les performances des modèles de réseau neuronal convolutionnel (CNN) et de mémoire à court et long terme (LSTM) dans la prévision de l'intensité des précipitations horaires en utilisant des données de la station de Sainte Catherine de la Jacques Cartier près de la ville de Québec. Les modèles prédisent les niveaux de précipitations de une à six heures à l'avance, qui sont classés en précipitations légères, modérées, fortes et très fortes. Notre méthodologie a impliqué la collecte de données sur les précipitations horaires, la définition de combinaisons d'entrées pour les prévisions sur plusieurs étapes et l'utilisation des modèles CNN et LSTM. Les performances de ces modèles ont été évaluées par des évaluations qualitatives et quantitatives. Les résultats clés révèlent que le modèle LSTM a excellé dans les prévisions à court terme (1HA à 2HA) et à long terme (3HA à 6HA), avec des valeurs R2 plus élevées (jusqu'à 0,999) et des valeurs NSE (jusqu'à 0,999), tandis que le modèle CNN était plus efficace sur le plan computationnel, avec des valeurs AICc plus basses (par exemple, −16,041.1 pour 1HA). L'analyse des erreurs montre que le CNN a fait preuve de plus de précision dans les catégories lourdes et très lourdes, avec une erreur relative plus faible, tandis que le LSTM a mieux performé pour les catégories légères et modérées. Le LSTM a surpassé le CNN dans les événements d'intensité faible et élevée, mais le CNN a affiché une meilleure performance pour les événements de précipitations significatives avec des délais de prévision plus courts. Dans l'ensemble, les deux modèles étaient adéquats, le LSTM offrant une meilleure précision pour les prévisions prolongées et le CNN une efficacité pour les prévisions immédiates, mettant en évidence leurs rôles complémentaires dans l'amélioration des systèmes d'alerte précoce et des stratégies de gestion des inondations.